基于图像纹理的煤岩识别研究

煤岩识别对实现采掘面无人开采具有重要的意义。由于煤、岩石在纹理上的巨大差别,提出了基于图像纹理的煤岩识别研究。利用灰度共生矩阵(GLCM)分别对煤、岩石图像纹理进行特征提取,然后再应用RBF神经网络分析处理所得到的纹理特征数据,进而实现对煤岩的分类识别,通过验证,该方法准确率高,操作简单,值得推广。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。     

基于机器视觉的煤矸特征提取与分类研究

为了提高煤与矸石的识别率,运用自制的煤矸自动分选装置,研究了煤与矸石图像的自动识别技术,介绍了煤与矸石图像的灰度特征以及基于灰度共生矩阵的煤与矸石纹理特征。利用灰度特征的均值和纹理特征的能量、熵、对比度,相关性构造归一化特征向量,最后结合BP神经网络进行识别分类,试验分析了不同学习速率对识别率的影响。结果表明:基于BP神经网络的纹理和灰度特征的综合分类方法提高了煤与矸石的识别率;选取合适的学习速率在提高BP神经网络学习速度的同时还提高了识别率,识别率达87.5%。     

煤岩识别算法及“自学习”模型研究

针对煤矿井下综采工作面煤岩识别方法普遍存在效果欠佳、稳定性差、应用范围小等问题,基于煤和岩石基本特征的区别,从图像边缘和灰度阈值等视觉差异,借助聚类基本理论,处理煤岩图像边界,分析煤岩灰度共生矩阵包含的纹理特征信息;构造均值纹理导向度和方差纹理导向度;研究煤岩界面灰度共生均值的聚类煤岩识别算法;多尺度分解变换的煤岩纹理特征抽取方法;提出2种分块区域煤岩分界的图像识别模型:图像灰度"相似性"度量估计模型、层次聚类识别模型;并构造出一种煤岩混合模型融合识别方法及流程;为工作面煤岩精确识别、减少采煤机截割岩引起的故障和安全问题提供参考。     

基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。     

煤岩显微组分自动识别技术研究进展

煤岩显微组分的形态特征多样,组分鉴定具有较强的专业性,需要测定者具有深厚的煤岩学基础并熟练运用偏光显微镜。传统组分鉴定存在主观性,测试时间也较长。煤岩显微组分自动识别形成了基于显微光度计和基于图像分析2种技术路线。基于显微光度计的识别方法硬件成本相对较低,通过点扫描或线扫描将显微组分的反射率值转化为电信号并通过数学处理方法实现自动识别。图像分析方法综合显微组分的反射率(灰度)和形貌参数进行自动识别,识别精度更高。随着图像处理技术和图像识别算法的发展,可实现基于显微组分的纹理特征的自动分类。显微组分的智能识别是煤岩显微组分自动识别技术的发展趋势,应在充分分析不同煤的显微组分特征的基础上开发针对性的特征提取和分类算法,以实现煤岩显微组分自动识别。     

煤岩显微组分自动识别技术现状及关键问题分析

回顾煤岩显微组分自动识别的历史及技术现状,探讨了基于反射率和形态学参数的煤岩组分分类方案及其优缺点,对目前煤岩显微组分形态学参数的研究进行分析,并指出图像法煤岩组分自动识别技术难点,重点探讨了煤中壳质组的准确识别、煤中矿物质对有机显微组分识别的干扰、高变质煤组分各向异性对识别的影响、混煤煤岩组分的准确识别、识别模式和识别流程的建立等问题。主要研究结论如下:利用图像处理技术并结合煤岩显微组分的反射率和形态学参数,此为实现煤岩组分自动识别的发展方向。随着数字图像处理技术的发展,对煤岩组分形态参数的表征可以做到定量化和与位置相关联,目前已具备解决煤岩组分自动识别的外部条件。鉴于目前图像法煤岩组分自动测试存在壳质组难以准确识别等问题,建议今后应结合煤岩组分的反射率和形貌特征建立各显微组分合适的识别流程。     

基于灰度共生矩阵的煤与矸石自动识别研究

为提高煤与矸石识别率,提出了一种基于灰度共生矩阵的煤与矸石纹理特征自动识别方法。分析灰度共生矩阵的基本原理、特征参数,利用灰度共生矩阵提取煤与矸石图像的角二阶距、相关性、对比度和熵这四个特征作为纹理特征,用支持向量机进行识别,并在MATLAB上仿真实现。研究结果表明:用灰度共生矩阵提取纹理特征、用支持向量机识别的方法能有效的描述煤与矸石的纹理特征,为煤与矸石的识别和分选提供重要参考依据。     

基于EEMD-KPCA和KL散度的垮落煤岩识别

综放开采中关键工艺放煤自动化的实现,可以使放煤工人远离工作面,远程控制顶煤的放落,从而保障放煤工人的健康问题。而顶煤放落过程中垮落煤岩的实时有效识别是放煤自动化的理论基础。针对垮落煤岩识别的实时性和综放开采的效率问题,基于综放开采现场采集的垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于EEMD-KPCA和KL(Kullback-Leibler)散度的垮落煤岩识别方法。该方法首先对振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)得到一组固有模态分量(Intrinsic Mode Functions,IMFs),分别计算各个IMF的能量,峭度和样本熵,构造表征垮落煤岩的特征向量;然后利用核主成分分析(Kernel Principal Component Analysis,KPCA)对特征向量进行降维,分别以各个IMF能量、IMF峭度、IMF样本熵构成的向量的KPCA低维特征来表征垮落煤岩;最后计算"未知样本"不同特征向量与垮落煤岩两类样本与之对应的特征向量的KL散度值,通过比较KL散度值来实现垮落煤岩的实时识别,并比...     

基于LBP和GLCM的煤岩图像特征提取与识别方法

针对煤矿开采工作面无人化要求,提出一种基于LBP和GLCM的煤岩图像特征提取与识别方法。采用LBP算法判断煤块与岩石纹理存在差异性,然后通过GLCM实现煤块与岩石图像在水平、直角、45°、135°方向上的灰度共生矩阵,并完成对能量、熵值、对比度、逆差分矩等4个煤岩图像纹理特征参数提取。试验表明:LBP算法在检测煤块与岩石局部纹理特征差异的过程中,具有一定的高效性,但存在不足,后续通过GLCM提取的煤岩图像特征参数,可以找到适用于煤岩分类的特征参数,增加煤岩识别的鲁棒性。     

基于小波域非对称广义高斯模型的煤岩识别算法

针对采煤工作面无人开采、煤与矸石自动分离等工程实际需求,研究了基于计算机视觉的煤岩识别技术。提出了一种有效的基于小波域统计建模的煤岩识别算法。通过小波变换对煤岩图像进行多级分解;提出表达煤岩纹理细节特征的高频子带系数统计分布符合非对称广义高斯模型的假设,并通过最大似然估计方法确定其模型参数;利用改进的相对熵相似性测度实现煤岩图像的分类判别。结果表明:在小波域中,非对称广义高斯模型能够有力地刻画煤岩图像的纹理特征,与现有的其他算法相比较,所提出算法具有更高的正确识别率,其平均识别率达到了87.77%,为进一步研究煤岩界面的自动检测提供了参考。     

基于分形维数及细观孔隙结构特征的煤矸石识别研究

为进一步提升基于图像特征的煤矸石分选识别率,将分形维数的分析方法与图像处理和识别技术相结合,选取煤矸石图像的细观孔隙结构特征作为主要研究对象和识别特征。在运用图像处理技术对煤矸石图像进行处理后,最大化地凸显了煤矸石图像细观孔隙结构特征,通过对部分样本的孔隙结构进行初步特征测定和比对,运用分形几何理论对自然形态自相似性特征的描述能力,对煤矸石图像的细观孔隙结构进行分形维数计算,进一步凸显了煤矸石图像在细观孔隙结构特征上的差异,最后将灰度特征、纹理特征和细观孔隙结构特征结合进行识别分类,最终得到较高的识别率,这为结合分形维数的煤矸石识别技术的进一步研究和应用奠定了基础。     

载荷谱细观特征量与截割性能评价的熵模型

为研究煤岩截割破碎载荷谱特征及性能的评价方法,通过对实验瞬态载荷谱及其细观特征量的提取,提出载荷谱能量积聚段梯度、幅值增量和能量的3种特征量的算法,给出载荷谱细观特征推演宏观截割性能评价的数学描述,采用熵理论对载荷谱进行关联性分析,建立了载荷谱特征量熵和综合加权熵的数学模型,以截齿截割煤岩的力学过程为例,在时域范畴内探讨不同滚筒转速的煤岩破碎载荷谱特征及效果。结果表明:在最大切削厚度相同的条件下,载荷谱熵随转速增大呈增大的变化规律,随转速的增大,载荷谱序列的无序度随之增大,表征煤岩破碎程度和粉尘量的相对变化趋势,载荷谱特征量熵和综合加权熵与比能耗和破碎程度等性能指标间呈正相关性。提出的载荷谱熵模型与算法可作为截割性能评价的一种有效方法。     

基于机器视觉的煤矸识别系统设计及试验研究

为解决手工选煤、湿法选煤中存在的效率低下、劳动强度大、水资源耗费、环境污染等诸多问题。研究了基于机器视觉的煤矸识别方法,在实验室中搭建了试验平台,开发了MFC软件应用平台,实现了煤矸实时识别|选取山西西山、内蒙古和陕西神木的煤和矸石作为样本,建立了样本图像库|取420张图像作为实验样本,提取样本的灰度均值、峰值灰度、能量、熵、对比度、逆差矩6个特征进行统计和分析|采用粒子群优化算法(PSO)对支持向量机(SVM)的进行优化,并对分类器进行训练和分类测试。对特征分析的结果表明,灰度特征比为纹理特征具有更好的区分度|PSO-SVM分类器测试中,以灰度、纹理、组合特征作为输入时,其识别准确率分别为95.83%、72.92%、93.75%,结果表明以灰度特征作为输入识别效果最好。     

基于图像纹理特征的矿井水灾感知方法

现有水灾监测报警方法存在着适应性差、误报和漏报率高等问题,难以满足煤矿安全生产需求。为此,提出了基于图像纹理特征的矿井水灾感知方法:在巷道顶部或巷帮、采煤工作面支架等设置摄像机,实时采集采掘工作面和巷道底板图像;通过双树复小波变换,提取水、煤、岩石图像纹理特征,建立水灾图像识别模型;对学习样本进行双树复小波变换,提取1,2级系数,统计其方差与期望值,利用相应的方差与期望值构造泊松分布模型,并估计其各个方向模型的强度参数。对待测样本同样进行双树复小波变换后,利用1,2级系数的方差与期望值构成的模型强度参数向量与样本参数向量进行皮尔逊相似性比较,最终确定待测样本分类。根据水灾图像识别模型,对实时监测的图像进行识别,当分割图像具有水灾纹理特征时,进行水灾报警。采集了水灾模拟实验图像,建立了图像数据库。对所提出的模型编制了相应的实验程序,进行了模型的训练和实验验证。研究了水、煤、岩石在双树复小波域泊松分布下系数统计值的分布规律,并对模型的性能进行了参数化的评估。通过实验验证了基于图像纹理特征的矿井水灾感知方法的可行性。实验表明,基于图像纹理特征的矿井水灾感知方法,识别水灾准确率大于81%。     

基于小波的煤岩图像特征抽取与识别

针对目前采掘工作面是事故易发多发地带和煤岩界面的识别基本由人工来完成的现状,为了减少人员伤亡以及实现采矿自动化,研究了煤岩的自动识别技术。介绍了煤岩图像识别基础和小波变换原理,讨论了小波函数以及滤波长度、分解尺度的设置情况,提出利用Daubechies小波对煤岩图像进行分解,构造相应的纹理导向度,获得特征值参数表,最后通过Minkowski距离计算公式,得到待测样品与煤岩样品的空间距离,根据距离大小来实现对待测样品的识别。结果表明：该方法通过小波分解再抽取相应的特征值充分表达了煤岩图像的纹理特征信息,而且能成功识别煤岩图像获得了比其他分解方法更高的识别准确率。研究结果可为煤岩界面的自动识别提供理论参考,提供了新的思路。     

基于模糊判据的煤岩性状截割硬度识别

针对现有煤岩性状识别方法不能满足采煤机滚筒实现自动调高技术的需要,提出了基于模糊判据的煤岩性状截割硬度识别研究方法,克服了识别煤岩性状截割硬度依赖滚筒振动信号或截割电机信号等单一传感器信息判据的不全面、不可靠等问题,利用多传感器信息融合的模糊集合隶属函数,根据摇臂振动信号两层小波包分解各个频段能量特征向量和采煤机感知煤岩硬度关系公式,采用加权平均法求解隶属度作为煤岩性状截割硬度因子判别煤岩性状的依据,定义表征煤岩性状的截割硬度因子q,其数值计算通过求解煤岩性状模糊集隶属度μQ(u)获得。煤矿井下实测数据表明煤岩性状截割硬度模糊集合的方法更贴近实际采掘煤岩工况,为实现滚筒自动识别煤岩性状控制摇臂自动调高奠定模糊理论基础。